家可以购买、训练和对抗支持 AI 的 NFT。玩家通过模仿学习训练他们的智能体 NFT，其中 AI 通过学习玩家行为的相关概率来学习如何在不同的地图和场景中玩游戏。经过训练后，玩家可以派出他们的智能体参加排名战以获得代币奖励。不是基于 LLM，但仍然是智能体游戏可能性的一个有趣例子。 Virtuals Protocol——一种用于构建和部署多模态智能体到游戏和其他在线空间的协议。当今虚拟的三个主要原型包括 IP 角色镜像、特定功能智能体和个人替身。贡献者向虚拟贡献数据和模型，验证者充当守门人。存在一个经济层面的激励机制来促进开发和货币化。 Brianknows——为用户提供用户界面，以便与智能体进行交互，智能体可以执行交易、研究特定于加密货币的信息并及时部署智能合约。目前支持 100 多个集成中的 10 多个操作。最近的一个例子是让智能体使用自然语言代表用户在 Lido 中质押 ETH。 Autonolas——提供轻量级本地和基于云的智能体、共识运营的去中心化智能体和专业智能体经济。突出的例子包括 DeFi 和基于预测的智能体、由 AI 驱动的治理代表和智能体对智能体（agent-to-agent）工具市场。提供用于协调和激励智能体操作的协议 + OLAS 堆栈，这是一个供开发人员构建可共同拥有的智能体的开源框架。 Creator.Bid——为用户提供与 X 和 Farcaster 实时 API 相连的社交媒体角色智能体。品牌可以启动基于知识的智能体，在社交平台上执行与品牌一致的内容。 Polywrap——提供各种基于智能体的产品，例如 Indexer（Farcaster 的社交媒体智能体）、AutoTx（使用 Morpheus 和flock.io构建的规划和交易执行智能体）、predictionprophet.ai （有 Gnosis 和 Autonolas 的预测智能体）和fundpublicgoods.ai （用于拨款资源分配的智能体）。 验证——由于经济流动将由智能体指导，因此输出验证将非常重要（以后的文章中将对此进行详细介绍）。验证方法包括来自Ora Protocol，来自如Modulus Labs+Giza+ EZKL团队的zkML、博弈论解决方案以及像 TEE 这样的基于硬件的解决方案。 对于链上智能体的一些想法 可拥有、可交易、代币门控的智能体，可执行各种类型的功能，从陪伴到金融应用， 可以代表你识别、学习并参与游戏经济的智能体；也可以作为协作、竞争或完全模拟环境中的玩家的自主智能体。 可以模拟真实人类行为的智能体，用于收益机会 多智能体管理的智能钱包，可以充当自主资产管理者 AI 管理的 DAO 治理（例如代币委托、提案创建或管理、流程改进等） 使用 web3 存储或数据库作为可组合的向量嵌入系统，用于共享和永久内存状态 本地运行的智能体，参与全局共识网络，执行用户定义任务 现有和新协议交互和 API 的知识图谱 自主守护者网络、多重签名安全、智能合约安全和功能增强 真正自主的投资 DAO（例如，使用艺术史学家、投资分析师、数据分析师和degen智能体角色的收藏家 DAO） 代币经济学和合约安全模拟与测试 通用意图管理，特别是在加密用户体验（如桥接或 DeFi）的情况下 艺术或实验项目 吸引下一个十亿用户 正如Varaint Fund联合创始人Jesse Walden最近所言，自主智能体是区块链使用方式的一次进化，而不是革命：我们已经有了协议任务机器人、狙击机器人、MEV 搜索器、机器人工具包等。智能体只是这一切的延伸。 加密的许多领域都是以有利于智能体执行的方式构建的，例如完全链上游戏和 DeFi。假设 LLM 的成本相对于任务性能呈下降趋势 + 创建和部署智能体的可访问性增加，很难想象一个AI智能体不会主宰链上交互并成为加密的下一个十亿用户的世界。 阅读材料： AI Agents That Can Bank Themselves Using Blockchains The new AI agent economy will run on Smart Accounts A Survey on Large Language Model based Autonomous Agents (I used this for identifying the taxonomy of agentic architectures above, highly recommend) ReAct: Synergizing Reasoning and Acting in Language Models Generative agents: Interactive simulacra of human behavior Reflexion: Language Agents with Verbal Reinforcement Learning Toolformer: Language Models Can Teach Themselves to Use Tools Describe, Explain, Plan and Select: Interactive Planning with Large Language Models Enables Open-World Multi-Task Agents Voyager: An Open-Ended Embodied Agent with Large Language Models LLM Agents Papers GitHub Repo 原文链接 来源：金色财经lg...
北美站
